本技術(shù)涉及人工智能開發(fā)與金融科技領(lǐng)域，尤其涉及基于人工智能的提示文本生成方法、裝置、計算機設(shè)備及存儲介質(zhì)。
背景技術(shù)：
：：1、隨著人工智能技術(shù)的飛速發(fā)展，基于深度學習的圖像生成模型，尤其是基于擴散模型的stable?diffusion，已成為圖像生成領(lǐng)域的重要里程碑。stable?diffusion通過訓練大量數(shù)據(jù)集中的圖像與對應(yīng)文本描述之間的映射關(guān)系，實現(xiàn)了從自然語言描述到高質(zhì)量圖像的生成，這一特性使其在創(chuàng)意設(shè)計、廣告營銷、數(shù)字藝術(shù)等多個領(lǐng)域展現(xiàn)出巨大的應(yīng)用潛力和商業(yè)價值。2、然而，盡管stable?diffusion模型在英文環(huán)境下取得了顯著成就，其在中文環(huán)境下的應(yīng)用卻面臨諸多挑戰(zhàn)。首要問題在于模型的訓練數(shù)據(jù)主要基于英文語料庫，這導致模型在理解并生成符合中文語境和審美偏好的圖像時存在明顯局限性。即使通過翻譯技術(shù)將中文prompt轉(zhuǎn)換為英文，由于語言和文化差異，生成結(jié)果往往難以準確傳達原意，效果不盡如人意。3、此外，stable?diffusion模型的高效應(yīng)用高度依賴于精確且富有創(chuàng)意的提示文本(prompt)編寫。一個優(yōu)秀的prompt不僅需要全面描述圖像的內(nèi)容、風格、色彩等要素，還需遵循特定的語法和表達習慣，這對于非專業(yè)用戶而言構(gòu)成了較高的門檻。在金融企業(yè)的實際應(yīng)用場景中，如保險營銷海報的生成，業(yè)務(wù)人員通常不具備專業(yè)的prompt編寫能力，他們更習慣于通過直觀的操作或簡單的描述來表達需求。因此，依賴人工編寫prompt的方式不僅效率低下，而且難以保證生成圖像的質(zhì)量和一致性，難以滿足企業(yè)快速響應(yīng)市場變化、高效完成營銷任務(wù)的需求。4、綜上所述，當前圖像生成模型在中文環(huán)境下存在提示文本編寫門檻高、生成效率低的問題。技術(shù)實現(xiàn)思路1、本技術(shù)實施例的目的在于提出一種基于人工智能的提示文本生成方法、裝置、計算機設(shè)備及存儲介質(zhì)，以解決現(xiàn)有的圖像生成模型在中文環(huán)境下存在提示文本編寫門檻高、生成效率低的技術(shù)問題。2、為了解決上述技術(shù)問題，本技術(shù)實施例提供一種基于人工智能的提示文本生成方法，采用了如下所述的技術(shù)方案：3、從多個預設(shè)渠道收集由目標圖像生成模型生成的符合質(zhì)量條件的圖片，以及與所述圖片對應(yīng)的提示文本；其中，所述圖片的數(shù)量包括多個；4、對所述圖片進行內(nèi)容添加處理，得到與所述圖片對應(yīng)的中文描述；5、基于所述中文描述與所述提示文本構(gòu)建與所述圖片對應(yīng)的數(shù)據(jù)對；6、基于預設(shè)的處理策略對所述數(shù)據(jù)對進行預處理，得到對應(yīng)的樣本數(shù)據(jù)集；7、使用所述樣本數(shù)據(jù)集與基于低秩適應(yīng)的微調(diào)算法對預設(shè)的預訓練語言模型進行訓練與微調(diào)處理，得到符合預期構(gòu)建條件的提示文本構(gòu)建模型；8、判斷是否接收到用戶在預設(shè)的前端界面中觸發(fā)的提示文本生成請求；其中，所述提示文本生成請求攜帶所述用戶輸入的目標中文描述；9、若是，基于所述提示文本構(gòu)建模型對所述目標中文描述進行預測處理，生成與所述目標中文描述對應(yīng)的目標提示文本；10、將所述目標提示文本返回給所述前端界面。11、進一步的，所述基于預設(shè)的處理策略對所述數(shù)據(jù)對進行預處理，得到對應(yīng)的樣本數(shù)據(jù)集的步驟，具體包括：12、獲取預設(shè)的數(shù)據(jù)清洗策略；13、基于所述數(shù)據(jù)清洗策略對所述數(shù)據(jù)對進行數(shù)據(jù)清洗處理，得到對應(yīng)的第一數(shù)據(jù)對；14、獲取預設(shè)的指令模板；15、基于所述指令模板對所述第一數(shù)據(jù)對進行格式化處理，得到對應(yīng)的第二數(shù)據(jù)對；16、將所述第二數(shù)據(jù)對作為所述樣本數(shù)據(jù)集。17、進一步的，所述提示文本生成請求還攜帶所述用戶的用戶信息；所述基于所述提示文本構(gòu)建模型對所述目標中文描述進行預測處理，生成與所述目標中文描述對應(yīng)的目標提示文本的步驟，具體包括：18、從所述提示文本生成請求中提取出所述用戶信息與所述目標中文描述；19、基于所述用戶信息對所述用戶進行權(quán)限驗證；20、若所述用戶通過權(quán)限驗證，則調(diào)用所述提示文本構(gòu)建模型；21、基于所述提示文本構(gòu)建模型對所述目標中文描述進行預測處理，生成與所述目標提示文本對應(yīng)的目標提示文本。22、進一步的，所述基于所述用戶信息對所述用戶進行權(quán)限驗證的步驟，具體包括：23、確定與所述用戶信息對應(yīng)的指定角色；24、獲取與所述指定角色對應(yīng)的指定權(quán)限；25、判斷在所述指定權(quán)限中是否包含與提示文本生成的業(yè)務(wù)操作對應(yīng)的操作權(quán)限；26、若是，判定所述用戶通過權(quán)限驗證，否則判定所述用戶未通過權(quán)限驗證。27、進一步的，所述將所述目標提示文本返回給所述前端界面的步驟，具體包括：28、獲取與所述前端界面對應(yīng)的展示要求；29、基于所述展示要求對所述目標提示文本進行調(diào)整處理，得到處理后的目標提示文本；30、將所述處理后的目標提示文本封裝為相應(yīng)的響應(yīng)數(shù)據(jù)；31、將所述響應(yīng)數(shù)據(jù)返回給所述前端界面。32、進一步的，在所述使用所述樣本數(shù)據(jù)集與基于低秩適應(yīng)的微調(diào)算法對預設(shè)的預訓練語言模型進行訓練與微調(diào)處理，得到符合預期構(gòu)建條件的提示文本構(gòu)建模型的步驟之后，還包括：33、獲取與所述提示文本構(gòu)建模型對應(yīng)的目標存儲策略；34、確定與所述提示文本構(gòu)建模型對應(yīng)的目標存儲介質(zhì)；35、基于所述目標存儲策略與所述目標存儲介質(zhì)對所述提示文本構(gòu)建模型進行存儲處理。36、進一步的，在所述將所述目標提示文本返回給所述前端界面的步驟之后，還包括：37、調(diào)用預設(shè)的界面監(jiān)控工具；38、基于所述界面監(jiān)控工具采集與所述前端界面對應(yīng)的運行數(shù)據(jù)；其中，所述運行數(shù)據(jù)的數(shù)量包括多個；39、判斷在所有所述運行數(shù)據(jù)中是否存在超過對應(yīng)的預警閾值的異常運行數(shù)據(jù)；40、若是，從所述運行數(shù)據(jù)中提取出所述異常運行數(shù)據(jù)，并基于所述異常運行數(shù)據(jù)生成對應(yīng)的預警通知信息；41、獲取界面運維人員的通訊信息；42、基于所述通訊信息，將所述預警通知信息推送給所述界面運維人員。43、為了解決上述技術(shù)問題，本技術(shù)實施例還提供一種基于人工智能的提示文本生成裝置，采用了如下所述的技術(shù)方案：44、收集模塊，用于從多個預設(shè)渠道收集由目標圖像生成模型生成的符合質(zhì)量條件的圖片，以及與所述圖片對應(yīng)的提示文本；其中，所述圖片的數(shù)量包括多個；45、添加模塊，用于對所述圖片進行內(nèi)容添加處理，得到與所述圖片對應(yīng)的中文描述；46、構(gòu)建模塊，用于基于所述中文描述與所述提示文本構(gòu)建與所述圖片對應(yīng)的數(shù)據(jù)對；47、預處理模塊，用于基于預設(shè)的處理策略對所述數(shù)據(jù)對進行預處理，得到對應(yīng)的樣本數(shù)據(jù)集；48、訓練模塊，用于使用所述樣本數(shù)據(jù)集與基于低秩適應(yīng)的微調(diào)算法對預設(shè)的預訓練語言模型進行訓練與微調(diào)處理，得到符合預期構(gòu)建條件的提示文本構(gòu)建模型；49、第一判斷模塊，用于判斷是否接收到用戶在預設(shè)的前端界面中觸發(fā)的提示文本生成請求；其中，所述提示文本生成請求攜帶所述用戶輸入的目標中文描述；50、預測模塊，用于若是，基于所述提示文本構(gòu)建模型對所述目標中文描述進行預測處理，生成與所述目標中文描述對應(yīng)的目標提示文本；51、返回模塊，用于將所述目標提示文本返回給所述前端界面。52、為了解決上述技術(shù)問題，本技術(shù)實施例還提供一種計算機設(shè)備，采用了如下所述的技術(shù)方案：53、從多個預設(shè)渠道收集由目標圖像生成模型生成的符合質(zhì)量條件的圖片，以及與所述圖片對應(yīng)的提示文本；其中，所述圖片的數(shù)量包括多個；54、對所述圖片進行內(nèi)容添加處理，得到與所述圖片對應(yīng)的中文描述；55、基于所述中文描述與所述提示文本構(gòu)建與所述圖片對應(yīng)的數(shù)據(jù)對；56、基于預設(shè)的處理策略對所述數(shù)據(jù)對進行預處理，得到對應(yīng)的樣本數(shù)據(jù)集；57、使用所述樣本數(shù)據(jù)集與基于低秩適應(yīng)的微調(diào)算法對預設(shè)的預訓練語言模型進行訓練與微調(diào)處理，得到符合預期構(gòu)建條件的提示文本構(gòu)建模型；58、判斷是否接收到用戶在預設(shè)的前端界面中觸發(fā)的提示文本生成請求；其中，所述提示文本生成請求攜帶所述用戶輸入的目標中文描述；59、若是，基于所述提示文本構(gòu)建模型對所述目標中文描述進行預測處理，生成與所述目標中文描述對應(yīng)的目標提示文本；60、將所述目標提示文本返回給所述前端界面。61、為了解決上述技術(shù)問題，本技術(shù)實施例還提供一種計算機可讀存儲介質(zhì)，采用了如下所述的技術(shù)方案：62、從多個預設(shè)渠道收集由目標圖像生成模型生成的符合質(zhì)量條件的圖片，以及與所述圖片對應(yīng)的提示文本；其中，所述圖片的數(shù)量包括多個；63、對所述圖片進行內(nèi)容添加處理，得到與所述圖片對應(yīng)的中文描述；64、基于所述中文描述與所述提示文本構(gòu)建與所述圖片對應(yīng)的數(shù)據(jù)對；65、基于預設(shè)的處理策略對所述數(shù)據(jù)對進行預處理，得到對應(yīng)的樣本數(shù)據(jù)集；66、使用所述樣本數(shù)據(jù)集與基于低秩適應(yīng)的微調(diào)算法對預設(shè)的預訓練語言模型進行訓練與微調(diào)處理，得到符合預期構(gòu)建條件的提示文本構(gòu)建模型；67、判斷是否接收到用戶在預設(shè)的前端界面中觸發(fā)的提示文本生成請求；其中，所述提示文本生成請求攜帶所述用戶輸入的目標中文描述；68、若是，基于所述提示文本構(gòu)建模型對所述目標中文描述進行預測處理，生成與所述目標中文描述對應(yīng)的目標提示文本；69、將所述目標提示文本返回給所述前端界面。70、與現(xiàn)有技術(shù)相比，本技術(shù)實施例主要有以下有益效果：71、本技術(shù)首先從多個預設(shè)渠道收集由目標圖像生成模型生成的符合質(zhì)量條件的圖片，以及與所述圖片對應(yīng)的提示文本；其中，所述圖片的數(shù)量包括多個；并對所述圖片進行內(nèi)容添加處理，得到與所述圖片對應(yīng)的中文描述；然后基于所述中文描述與所述提示文本構(gòu)建與所述圖片對應(yīng)的數(shù)據(jù)對；并基于預設(shè)的處理策略對所述數(shù)據(jù)對進行預處理，得到對應(yīng)的樣本數(shù)據(jù)集；之后使用所述樣本數(shù)據(jù)集與基于低秩適應(yīng)的微調(diào)算法對預設(shè)的預訓練語言模型進行訓練與微調(diào)處理，得到符合預期構(gòu)建條件的提示文本構(gòu)建模型；后續(xù)判斷是否接收到用戶在預設(shè)的前端界面中觸發(fā)的提示文本生成請求；其中，所述提示文本生成請求攜帶所述用戶輸入的目標中文描述；若是，基于所述提示文本構(gòu)建模型對所述目標中文描述進行預測處理，生成與所述目標中文描述對應(yīng)的目標提示文本；最后將所述目標提示文本返回給所述前端界面。本技術(shù)通過使用收集的由目標圖像生成模型生成的符合質(zhì)量條件的圖片，以及與所述圖片對應(yīng)的提示文本構(gòu)建樣本數(shù)據(jù)集，進而使用樣本數(shù)據(jù)集與基于低秩適應(yīng)的微調(diào)算法對預設(shè)的預訓練語言模型進行訓練與微調(diào)處理得到提示文本構(gòu)建模型，使得后續(xù)利用提示文本構(gòu)建模型對用戶輸入的目標中文描述進行預測處理，可以實現(xiàn)自動快速且準確地生成適用于目標圖像生成模型的目標提示文本，有效地降低了圖像生成模型在中文環(huán)境下的提示文本的編寫門檻，提高了適用于目標圖像生成模型的提示文本的生成效率，保證了生成的提示文本的生成質(zhì)量。當前第1頁12當前第1頁12